Chargement...
 

Historique: Apprentissage et Fouille de Données 2008

Aperçu de cette version: 37

Module Apprentissage et Fouille de Données

Michèle Sebag, Balázs Kégl, Antoine Cornuéjols.

New Lectures, Readings: Chapitres, Additional Material


1/10 (MS) Introduction, arbres de décision, (illustration sur Skicat et Darpa Challenge 2005) arbres de décision
8/10 (BK) Boosting (illustration sur les caractères manuscrits), classification classification
Lectures: boosting tutorial multiclass boosting face detection
15/10 (BK) Boosting (suite), réseaux de neurones réseaux de neurones
22/10 (BK) Filtrage collaboratif (challenge Netflix); régression et ranking
29/10 (MS) Représentation, sélection d'attributs et réduction de dimensionalité, application aux systèmes computationels autonomes (Autonomic Computing) Representation, une erreur de méthologie, analyse par Hastie
5/11 (AC) Généralités sur l'apprentissage inductif supervisé, Apprentissage actif Transition de phase
12/11 (AC) Apprentissage en-ligne. Apprentissage par renforcement Transparents, Chapitre).
19/11 (MS) Apprentissage non supervisé et data streaming Clustering,Streaming
26/11 Vacances
3/12 Exam ecrit questions de cours. Voir pour un exemple : texte de l'examen de 2005. (NB: la partie 3 n'est plus au programme du module).
19 /12 Exposé d'article ou de projet




Projets

  • Large Scale Learning: strategies naives de selection des vecteurs supports. (MS)
    • Données Challenges
  • Bases de données visage (AC et BK)
  • Collaborative filtering (BK)
    • Netflix + base données semi-privées LastFM.
  • Logs robotique, réduction de dimensionalité (MS).
    • Données : contacter MS.
    • Algorithme : Information bottleneck et/ou deep learning.
  • Clément de Groc Active learning: identification de pages de cours en Computer Science (AC, BK et MS).
    • Constitution de training (donner chacun trois exemples positifs). Interet, etudiant peut etre l'expert.
    • Algorithme Filterboost décrit ds Nips 2007, Schapire et al. (code décrit ds l'article; réputé efficace).
  • Apprentissage par renforcement (AC)
    • Deplacement d'un robot dans un monde 2D.
    • Illustration des difficultés de passage à l'echelle et résolution du pb de généralisation.
    • Projet guidé par AC. Demande forte motivation pour l'apprentissage par renforcement.
  • Apprentissage de séries temporelles (MS + AC)
    • Algorithme: Echo State Network
    • Reproduire l'expérience ds le XX.

Articles.




les cours de l'an dernier.


Articles à exposer (10 minutes) pour les volontaires



Historique

Avancé
Information Version
lun. 01 de Dec, 2008 09h44 sebag from 129.175.15.11 40
Afficher
lun. 24 de Nov, 2008 23h04 sebag from 129.175.15.11 39
Afficher
ven. 21 de Nov, 2008 13h56 sebag from 129.175.15.11 38
Afficher
ven. 21 de Nov, 2008 12h28 sebag from 129.175.15.11 37
Afficher
ven. 21 de Nov, 2008 12h27 sebag from 129.175.15.11 36
Afficher
ven. 21 de Nov, 2008 12h16 sebag from 129.175.15.11 34
Afficher
ven. 21 de Nov, 2008 11h59 sebag from 129.175.15.11 33
Afficher
jeu. 20 de Nov, 2008 09h28 sebag from 129.175.15.11 32
Afficher
mer. 19 de Nov, 2008 02h13 sebag from 129.175.15.11 31
Afficher
mer. 19 de Nov, 2008 01h31 sebag from 129.175.15.11 30
Afficher